原文鏈接：http://tecdat.cn/?p=23825

原文出處：拓端數(shù)據(jù)部落公眾號?

簡介

本文介紹了基于有限正態(tài)混合模型在r軟件中的實現(xiàn)，用于基于模型的聚類、分類和密度估計。提供了通過EM算法對具有各種協(xié)方差結(jié)構(gòu)的正態(tài)混合模型進行參數(shù)估計的函數(shù)，以及根據(jù)這些模型進行模擬的函數(shù)。此外，還包括將基于模型的分層聚類、混合分布估計的EM和貝葉斯信息準則（BIC）結(jié)合在一起的功能，用于聚類、密度估計和判別分析的綜合策略。其他功能可用于顯示和可視化擬合模型以及聚類、分類和密度估計結(jié)果。

聚類

1. 


2. head(X)

pairs(X)

1. 


2. plot(BIC)

3. 


4. 


1. 


2. 


3. summary(BIC)

summary(mod1, parameters = TRUE)

?

?

plot(mod1)

1. table(class, classification)

2. 


1. 
   

2. plot(mod1, what = "uncertainty")

1. clustICL(X)

2. summary(ICL)

1. 


2. 


3. BootstrapLRT(X)

4. 


初始化

使用EM算法進行最大似然估計。EM的初始化是使用從聚類層次結(jié)構(gòu)聚類中獲得的分區(qū)來進行的。

1. 


2. hclust(X, use = "SVD"))

3. 


clustBIC(X, initialization )) # 默認

?

hc2

clustBIC(X, initialization )

?

hclust(X, model= "EEE"))

?

1. 


2. summary(BIC3)

?

通過合并最佳結(jié)果來更新BIC。

BIC(BIC1, BIC2, BIC3)

使用隨機起點進行單變量擬合，通過創(chuàng)建隨機集聚和合并最佳結(jié)果獲得。

1. 


2. for(j in 1:20)

3. {

4. rBIC <- mclustBIC(

5. initi ))

6. BIC <- update(BIC, rBIC)

7. }

1. 


2. clust(ga, BIC)

分類

EDDA

1. X <- iris[,1:4]

2. head(X)

clustDA(X, class, ?"EDDA")

1. 


2. plot(mod2)

3. 


MclustDA

1. 


2. 


3. table(class)

4. 


head(X)

clustDA(X, class)

1. 


2. plot(mod3, 2)

3. 


4. 


?

1. 


2. 


3. plot(mod3, 3)

4. 


交叉驗證誤差

1. 


2. cv(mod2, nfold = 10)

1. 


2. unlist(cv[3:4])

?

cv(mod3, nf = 10)

?

1. 


2. unlist(cv[3:4])

密度估計

單變量

clust(acid)

?

1. 


2. plot(mod4, "BIC")

3. 


1. plot(mod4, ?"density", acidity)

2. 


1. 


2. 


3. plot(mod4, "diagnostic", ?"cdf")

4. 


多變量

1. clu(faithful)

2. summary(mod5)

1. 


2. plot(mod5, "BIC")

3. 


1. 


2. 


3. 


4. plot(mod5, "density",faithful)

5. 


6. 


7. 


Bootstrap推理

1. 


2. summary(boot1, what = "se")

?

?

summary(boot1, what = "ci")

?

?

1. 


2. summary(boot4, what = "se")

3. 


4. plot(boot4)

5. 


降維

聚類

1. 


2. 


3. plot(mod1dr, ?"pairs")

4. 


plot(mod1dr)

plot(mod1dr, "scatterplot")

plot(mod1dr)

分類

1. 


2. 


3. summary(mod2dr)

4. 


5. plot(mod2d)

6. 


1. plot(mod2dr)

2. 


1. 


2. 


3. summary(mod3dr)

4. 


5. plot(mod3dr)

6. 


1. plot(mod3dr)

2. 


3. 


4. 


使用調(diào)色板

大多數(shù)圖形都使用默認的顏色。

調(diào)色板可以定義并分配給上述選項，具體如下。

1. options("Colors" = Palette )

2. Pairs(iris[,-5], Species)

3. 


4. 


如果需要，用戶可以很容易地定義自己的調(diào)色板。

參考文獻

Fraley C. and Raftery A. E. (2002) Model-based clustering, discriminant analysis and density estimation,?Journal of the American Statistical Association, 97/458, pp.?611-631.

最受歡迎的見解

1.R語言多元Logistic邏輯回歸 應(yīng)用案例

2.面板平滑轉(zhuǎn)移回歸(PSTR)分析案例實現(xiàn)

3.matlab中的偏最小二乘回歸（PLSR）和主成分回歸（PCR）

4.R語言泊松Poisson回歸模型分析案例

5.R語言回歸中的Hosmer-Lemeshow擬合優(yōu)度檢驗

6.r語言中對LASSO回歸，Ridge嶺回歸和Elastic Net模型實現(xiàn)

7.在R語言中實現(xiàn)Logistic邏輯回歸

8.python用線性回歸預(yù)測股票價格

9.R語言如何在生存分析與Cox回歸中計算IDI，NRI指標